動的なフットプリントは、病気の出現を検出することを可能にします

Dynamical footprints enable detection of disease emergence.

• Tobias S Brett
• Pejman Rohani

抄録

感染症の発生や再発生を予測する手法を開発することは重要かつタイムリーな課題であるが、従来のモデルベースのアプローチでは、根本的な要因を取り巻く不確実性に阻まれていた。本研究では、臨界減速理論に基づく早期警戒信号（EWS）に基づいて、メカニズムにとらわれない疾病（再）発生の検知アルゴリズムを実証した。具体的には、コンピュータシミュレーションを用いて、疫学データに存在する（再）出現の動的な足跡を検出するための教師付き学習アルゴリズムを訓練した。次に、我々のアルゴリズムは、2000年代半ばにイギリスで発生したおたふくかぜの再発生と、1980年以降のアメリカで発生した百日咳の再発生を、空間的に再現して予測することに挑戦した。我々の手法は、おたふくかぜの再来を4年前に予測することに成功し、その間に緩和努力を実施することができた。1980年以降、我々のモデルは精度を上げて再燃状態を識別し、1992年からは信頼性の高い分類が可能となった。さらに、我々は、2つのベクター感染事例、すなわち、プエルトリコでのデング血清型の発生と、2017年にマダガスカルで急速に展開したペストの発生に検出アルゴリズムを適用することに成功しました。これらの知見をまとめると、理論的に情報を得た機械学習技術が、感染症の(再)発生に対する早期警報システムを開発する力を示していることがわかる。

Developing methods for anticipating the emergence or reemergence of infectious diseases is both important and timely; however, traditional model-based approaches are stymied by uncertainty surrounding the underlying drivers. Here, we demonstrate an operational, mechanism-agnostic detection algorithm for disease (re-)emergence based on early warning signals (EWSs) derived from the theory of critical slowing down. Specifically, we used computer simulations to train a supervised learning algorithm to detect the dynamical footprints of (re-)emergence present in epidemiological data. Our algorithm was then challenged to forecast the slowly manifesting, spatially replicated reemergence of mumps in England in the mid-2000s and pertussis post-1980 in the United States. Our method successfully anticipated mumps reemergence 4 years in advance, during which time mitigation efforts could have been implemented. From 1980 onwards, our model identified resurgent states with increasing accuracy, leading to reliable classification starting in 1992. Additionally, we successfully applied the detection algorithm to 2 vector-transmitted case studies, namely, outbreaks of dengue serotypes in Puerto Rico and a rapidly unfolding outbreak of plague in 2017 in Madagascar. Taken together, these findings illustrate the power of theoretically informed machine learning techniques to develop early warning systems for the (re-)emergence of infectious diseases.